Jamest

摘要： 链接： "LeetCode638" 在LeetCode商店中， 有许多在售的物品。 然而，也有一些大礼包，每个大礼包以优惠的价格捆绑销售一组物品。 现给定每个物品的价格，每个大礼包包含物品的清单，以及待购物品清单。请输出确切完成待购清单的最低花费。 每个大礼包的由一个数组中的一组数据描述，最后一个数 阅读全文

摘要： 链接： "LeetCode636" 给一个非空二叉树，返回每层的平均值组成的数组。 相关标签： 树 解法：BFS迭代，层序遍历，计算每层的平均值记录到res数组，最后返回res数组。神奇的地方在于不能在累加的时候先除以count，而是先累加到一起再除，不然通不过case。 python: C++: 阅读全文

摘要： 链接： "LeetCode636" 给一个$n$个函数运行记录的log数组，表示非抢占式CPU调用函数的情况，即同时只能运行一个函数。格式为$id:start\ or\ end:time$，求每个函数占用cpu的总时间。 Input: n = $2$ logs = $["0:start:0","1: 阅读全文

摘要： 两年时间，LeetCode刷了600+的同时，我也了解、训练了很多经典的数据结构与算法问题。在刷题的过程中，对数据结构与算法有了更深的了解，对Python语言做了更多的实践。我相信，刷题不只是为了找工作，更多也是在提升自己。在此，记录自己刷题的总结与感悟。 我相信刷题的过程中有三种境界： 1、模仿与 阅读全文

摘要： wide&deep在个性化排序算法中是影响力比较大的工作了。wide部分是手动特征交叉(负责memorization)，deep部分利用mlp来实现高阶特征交叉(负责generalization)，wide部分和deep部分joint train。 Deep&Cross Network模型我们下面将 阅读全文

摘要： 本质上GBDT+LR是一种具有 stacking 思想的二分类器模型，所以可以用来解决二分类问题。这个方法出自于Facebook 2014年的论文 Practical Lessons from Predicting Clicks on Ads at Facebook 。 GBDT+LR 使用最广泛的 阅读全文

摘要： FM通过对于每一位特征的隐变量内积来提取特征组合，最后的结果也不错，虽然理论上FM可以对高阶特征组合进行建模，但实际上因为计算复杂度原因，一般都只用到了二阶特征组合。对于高阶特征组合来说，我们很自然想到多层神经网络DNN。 DeepFM目的是同时学习低阶和高阶的特征交叉，主要由FM和DNN两部分组成 阅读全文

摘要： 场感知分解机（Field aware Factorization Machine ，简称FFM）在FM的基础上进一步改进，在模型中引入类别的概念，即field。将同一个field的特征单独进行one hot，因此在FFM中，每一维特征都会针对其他特征的每个field，分别学习一个隐变量，该隐变量不仅 阅读全文

摘要： 因子分解机（Factorization Machine，简称FM）算法用于解决大规模稀疏数据下的特征组合问题。FM可以看做带特征交叉的LR。 理论部分可参考 "FM系列" ，通过将FM的二次项化简，其复杂度可优化到$O(kn)$。即： $$ \hat y(x) = w_0+\sum_{i=1}^n 阅读全文

摘要： 对于一个矩阵而言，若数值为零的元素远远多于非零元素的个数，且非零元素分布没有规律时，这样的矩阵被称作稀疏矩阵；与之相反，若非零元素数目占据绝大多数时，这样的矩阵被称作稠密矩阵。 稀疏矩阵在工程应用中经常被使用，尤其是在通信编码和机器学习中。若编码矩阵或特征表达矩阵是稀疏矩阵时，其计算速度会大大提升。 阅读全文